蓝皮书文章丨赵春江院士等:农业4.0时代地理信息技术应用现状与趋势
- 2026-06-24 15:23:24
本文节选自《地理信息产业蓝皮书·中国地理信息产业发展报告（2025）》
农业4.0时代地理信息技术应用现状与趋势
北京市农林科学院信息技术研究中心赵春江潘瑜春
农业行业正经历着由技术进步驱动的重大变革，新一代信息技术与农业逐步深度融合推动农业步入农业4.0时代，其表现形态是智慧农业（Smart Agriculture）。智慧农业是通过将数据、知识和智能装备作为重要核心要素，集成农业生物技术、农业信息技术与智能化农机装备，变革农业生产方式，赋能农业生产更加高质量、高效率、高效能与个性化发展（赵春江，2019）。智慧农业已成为未来农业发展的新业态，美国、欧盟、日本等发达国家和地区纷纷对其进行战略布局。根据Grand View Research数据，2024年全球智慧农业市场规模估值为 257.5亿美元，预计在 2025 年至 2030 年间将以 13.7% 的复合年增长率增长；在细分领域中，精准农业市场规模估计为116.7 亿美元，并将以 13.1% 的复合年增长率增长。
我国农业发展面临着耕地和劳动力双重资源约束，以及质量效益不高、国际竞争力不强等多重挑战。党中央、国务院高度重视智慧农业发展，并将其作为重要国家战略之一，发布了一系列政策文件支持智慧农业的发展，包括《中华人民共和国国民经济和社会发展第十三个五年规划纲要》、2016年《“十三五”国家科技创新规划》《全国农业现代化规划（2016—2020年）》《加快建设农业强国规划（2024－2035年）》等，并且2017年及以后的历年中央一号文件均强调了发展智慧农业。目前，精准播种、施肥、灌溉及植保无人机等技术和装备开始大面积推广。《中国数字乡村发展报告（2022年）》显示，至2021年底农业生产信息化率为25.4%，全国大田种植信息化率为21.8%，其中小麦、稻谷、玉米生产信息化率分别达39.6%、37.7%和26.9%。
作为智慧农业科技创新核心内容之一，地理信息技术与快速发展的物联网、人工智能、云计算等技术深度融合，尤其是2022 年OpenAI推出ChatGPT 3.5大语言模型（LLMs）标志着生成式人工智能（GAI）时代的到来，推动了地理空间人工智能（GeoAI）的逐渐形成。卫星遥感、激光雷达、物联网传感器及视频等感知技术的发展，使农业场景全方位感知突破时空尺度的限制成为可能；GeoAI则使服务海量多模态数据分析处理的大模型构建，以及跨尺度甚至全尺度的地理空间分析成为可能，为地理信息技术带来变革。目前，GeoAI在遥感分类、语义分割、目标和变化检测、图像恢复以及地理语义分析中广泛应用，正在改变地球系统科学的研究方式，也必将对智慧农业科技创新有着深远影响，能够在农业场景特征感知、解析诊断、态势揭示与管理方案生成及作业执行等智慧农业全过程服务发挥巨大潜力。
（一）农业管理
21世纪以来，农业“天、空、地”信息感知技术研发创新成效显著，技术应用日趋广泛，地理信息技术在农业资源和产地环境调查监测、疫情和灾害应急等农业管理中取得重要进展。国内外广泛利用卫星遥感技术开展耕地及大尺度作物长势和产量、病虫害和气象灾害等监测预测，并服务于水肥投入、产量估测、粮食政策制定等决策。例如，欧盟注重环保合规问题，将地理信息技术用于有机农业认证和碳排放监测；美国Planet Labs通过小型卫星提供日更新的全球农田影像，并利用GeoVisual Search™技术生成高精度作物分布图，自动识别长势异常和灾害损失，提供大宗商品预测，为美国农业部等政府机构、对冲基金和大宗商品交易商提供玉米、大豆等作物的早期全球产量预测服务。
我国地理信息技术在支撑农村土地承包经营权确权登记颁证、耕地盐碱化专项调查、“高标准农田”建设监管和农业补贴发放等方面发挥重要作用，并且已初步建立“空天地”立体化农作物调查体系，可准确获取主要农作物的播种面积、空间分布、作物长势等数据，并实现大面积农作物估产、农情监测预警、农业气象预测及全球农情遥感速报。
我国各地在农业大数据平台建设方面取得重要进展。2009年，北京市农村工作委员会联合国家农业信息化工程技术研究中心开发了北京市都市型现代农业221信息平台。该平台整合了农业资源、产业、市场、科技、资金等涉及信息，形成涵盖土壤、气象、农业企业、水产养殖场、观光果园、设施农业等400余个专题的综合时空数据库，是一个集信息查询、分析、决策辅助为一体的综合性信息平台，为农业生产和管理中的决策提供量化的依据，使决策者做到“情况清、底数明”，从而提高决策的科学性。该平台研建了“三品”基地适宜性评价、重大动物疫病应急、畜禽养殖布局规划、科技服务资源智能调配分析及160余种作物适宜性评价等空间决策模型，并建立了各类农业决策链的业务和关联模型，形成以市场底牌为导向、以资源底牌为基础，通过科学规划科技和资金支撑，引领农业生产发展的决策分析业务链模式。
（二）生产管理
高分卫星遥感星座、传感器网络和人工智能算法的发展为降低精准农业技术应用门槛提供了可能，并在精细尺度农业生产管理得到应用。美国大型农场广泛采用自动驾驶农机、无人机测绘和云平台。全球农业巨头纷纷加入智慧农业研发与服务行列，拜耳的孟山都收购Climate，其Climate FieldView™平台通过实时监测气象、土壤湿度、作物健康等，服务种植者农场管理决策；先正达收购Strider公司，其Cropwise平台每日更新农田卫星影像，实现高频次农田可视化与农艺分析；John Deere公司通过自动驾驶农机、传感器和地理信息系统（GIS）平台农田数据实时采集与作业指导。新兴企业正加速技术研发应用，以色列CropX公司提供适合中小农场的土壤传感器和人工智能灌溉系统，通过实时监测数据确定灌溉量，在美国、澳大利亚和南美地区推广迅速；以色列Taranis公司通过无人机搭载多光谱相机识别毫米级病害斑点，为巴西大豆农场、美国加州果园提供提前48小时霜冻、虫害等风险预警；印度CropIn公司利用卫星数据为银行和保险公司评估农田风险，并通过手机APP为印度、非洲和东南亚超700万农户提供农事指导；巴西Agrosmart公司基于热带农业模型，服务雨林气候优化灌溉和病虫害预测，指导巴西、哥伦比亚咖啡和甘蔗种植区的生产管理。
我国极飞科技公司拥有全球最大农业无人机植保网络运营平台——XGeomatics™，根据遥感数据自动生成农药喷洒路径，单日作业可达百万亩，并在新疆棉田、澳大利亚牧场广泛应用。国家农业信息化工程技术研究中心从2003年开始开展作物品质遥感监测与调优栽培决策技术研究，开发了农作物空间信息决策支持系统，实现作物长势遥感监测与估产、作物品质监测与预报、作物灾害监测以及肥水诊断与调优等主要功能，不仅服务于作物种植管理，还用于指导粮食企业定向收购、按质论价和分类加工。成果在黑龙江、内蒙古、吉林、北京、河北、河南、山东、安徽、江苏、浙江和湖南等11个省（自治区、直辖市）开展应用示范，形成了一批针对不同作物且能较好满足实际生产需求和简便实用的调优栽培信息化技术。
（三）作业导航与测图
田间精准作业以智能知识服务为核心，包括基于处方图的精准作业和基于实时传感器的精准作业两种方式，前者是目前最常用的。同步定位与测图（SLAM）是农机装备自主导航的主要功能之一，定位传感器也在全球农业传感器行业中占据主导地位，这些传感器可应用于确定特定作业的精准路径和区域，还能够精确绘制农田边界，形成农田地图。目前田间精准作业系统已进入无人驾驶自主导航阶段，主要是通过实时感知未知环境中的位置进行定位，并通过携带的传感器逐步构建增量地图，用于自主导航和路径规划。农机装备定位以全球卫星导航系统（GNSS） 为主，但由于农田场景大都属于非结构化环境，田间光照条件、遮挡、纹理、颜色变化等因素使得农机装备感知能力受限，单一传感器难以取得预期效果，需要融合多模态传感器数据提升位置感知能力。目前主要辅助定位包括激光雷达（LiDAR）、视觉传感器和惯性测量单元（IMU）等技术，在结构化作业环境中（如温室）还采用超宽带/射频识别（UWB/RFID）信标定位技术。美国Trimble公司的AgGPS Field Level II 土地平整系统可进行精细平整耕地、作业记录、地形成图等工作；荷兰AgXeed公司开发的AgBot 系列产品是全球第一个进入批量生产的旋转铲深松等自动驾驶田间作业机器人（尹彦鑫等，2022）。我国农机自动驾驶系统功能已从直线行走升级为自动避障、自主停车、自主线路规划。《中国数字乡村发展报告（2022年）》显示，全国已有超过60万台拖拉机、联合收割机配置了基于北斗定位的作业监测和智能控制终端，其中安装有辅助自动驾驶系统的拖拉机超10万台；2021年全国植保无人机保有量12.1万架、年作业10.7亿亩次。
很多知名农机装备企业均研发了农机远程监管平台，通过车载终端向监管平台实时传输农机作业位置、工作状态、工况等信息，对农机作业实施全方位监控、管理和提供远程服务。例如，CLAAS 公司的TELEMATICS，CASE IH 公司的AFS Connect、John Deere 公司的JDLink、AGCO 公司的FUSE等系统。国家农业智能装备技术研究中心研发的农机作业远程监控系统，其作业监控终端可配备多种传感器（图1），能实时监控农机作业位置、工况、作业质量，并提供作业面积核算、作业重漏检测、种肥药作业处方生成、跨区调度等功能服务，产品面向全国27 个省（自治区、直辖市）开展了推广应用，服务耕地面积1.5 亿亩次。
（四）作物育种
通过高通量遥感、人工智能与分子生物学的发展与融合重塑作物育种模式，作物育种从“经验育种”转向“数据驱动”的精准育种。无人机搭载多光谱、高光谱和LiDAR传感器高通量获取作物株高、叶面积、冠层结构等表型数据，服务表型组学高通量分析；结合GeoAI技术，整合作物基因组数据与地理空间环境数据，通过虚拟试验场模拟不同气候情景下的品种表现，挖掘与环境适应性相关的候选抗逆基因，指导抗逆基因型品种的靶向选育。国际玉米小麦改良中心利用遥感监测全球小麦试验田的干旱指数、积温等环境参数，通过环境－基因关联分析筛选耐高温品种，加速气候适应性育种；美国TERRA-REF高通量表型平台每日采集百万株作物的高光谱、热红外和三维点云数据，建成全球最大农业表型数据库，助力抗倒伏品种选育；美国Climate公司的ClimateFieldView系统通过人工智能驱动的决策模型，整合遥感、气象站和土壤传感器数据和基因型信息，为育种者、农场主和农业企业提供全链条的品种选育与田间管理决策支持，其应用覆盖全球1.8亿亩农田。我国利用遥感监测助力耐盐碱水稻（海水稻）和抗病杂交水稻育种；在南繁硅谷打造全球热带作物育种数据枢纽，构建了“基因型－环境互作”数据库，年服务热带作物育种单位超200家。北京市农林科学信息技术研究中心研发了作物商业化育种信息管理平台，融合表型、基因型和环境数据，实现全基因组选择等育种全程信息化管理，覆盖玉米、水稻、大豆、小麦、蔬菜等作物的多种育种模式，打造了隆平高科、北大荒垦丰种业及农业农村部作物品种审定试验平台等成功案例，应用成效显著。随着地理信息技术、传感器技术、人工智能和分子生物学深度融合，实现“基因－环境－表型”全链条数字化，极大地提升育种效率，为全球粮食安全提供了技术保障。
（一）农业场景特征感知能力有待提升
1.遥感自动识别诊断能力弱
地物分类等遥感数据标注需要专业领域知识，人工标注成本高昂且效率极低，限制了训练数据的规模和质量；不同传感器数据的时间、空间和光谱分辨率差异影响模型泛化能力；土壤、作物和环境构成的农田环境复杂，作物间种套种，作物杂草混杂，导致“同物异谱、异物同谱”现象普遍存在，尤其是土壤要素多受植被覆盖，且土壤结构和成分复杂。小样本学习、地表高异质性、多模态数据融合难等导致已构建的模型在尺度、空间和时间等维度均表现出泛化能力不足，迁移能力差，土壤－作物－环境等农业要素的遥感动态监测能力弱，农业场景特征解析精准性和时效性难以满足智慧农业实施要求。
2.地面感知传感器国产化率低
农业传感器是智慧农业发展的“神经末梢”。农田环境复杂，且往往处于高温高湿和强化学腐蚀状态，国产传感器在信号遮挡、设备耐久性、长期稳定性等方面的可靠性不足；传感器数据融合与标准化滞后，不同厂商传感器数据协议不互通，跨平台整合难度大，导致传感器实时性、自动监测设备应用水平不高。在高精度光学、高光谱成像、激光雷达等高端传感器或其核心部件等仍依赖进口，数字化、智能化、微型化技术产品严重短缺，自主研发的农业传感器应用数量不到世界的10%，严重制约智慧农业应用的发展。
（二）软件服务智能化水平低
1.数据关联融合和集成度低
随着数据获取技术发展，农业数据内容和数量爆发式增长，但农业数据涉及业务部门和专题内容广，部门间信息需求交叉重叠，而在实际数据采集中又相对孤立和封闭，加上标准滞后，专题数据语义、尺度、结构等差异显著。在数据库方面，共享壁垒依然较多，共享严重不足，即使是同部门内部不同系统间的数据也独立存储，数据库中的专题数据缺乏时态、尺度、要素、语义等多维度融合与关联关系，没有建立起多尺度多模态数据高度集成的综合数据库。以上现状导致无法为高效的数据处理与挖掘应用提供高质量的数据库基础，不仅影响数据价值，还成为影响软件服务智能化水平的关键因素。
2.软件深度应用功能缺乏
智慧农业服务对象受教育水平和数字素养都相对较低，对软件功能需求并不明确，要求开发者不仅要具备深厚的信息技术技能，更要掌握涉及农业场景的专业知识，才能设计出符合实际需求的功能，并建立起具有良好应用效果的模型。但农业生产体系庞大，涵盖大田种植、设施园艺、畜禽和水产养殖等众多细分行业，不同生产品种之间差别迥异，且标准化程度较低，给软件设计、模型构建和开发实现带来了难度（马晨等，2021）。软件实际应用效果受生产环境、生产季节、标准化程度影响极大，导致信息技术“溢出”效应不明显（马晨等，2021），不仅影响用户支付意愿，也影响管理部门对农业软件项目的投资意愿。高投入、低回报使农业软件企业难以承担对软件开发与持续改造所必要的人员和资金投入，导致软件功能针对性不强、低水平重复开发，停留在数据采集、粗加工、展示层面，需要业务模型支持的深度智能化应用功能缺乏，应用效果与实际需求相差甚远。
（一）构建开放的智慧农业云服务设施
要解决农业软件开发困局，则需要在智慧农业技术推广应用模式方面进行创新。国外很多企业选择了B2B（企业对企业）模式，如印度Cropin公司成立后不久就意识到农民被边缘化的现实问题，无法实现任何数字化，选择了B2B模式；美国微软公司的Azure FarmBeats服务提供的B2B产品/服务，允许跨提供商聚合农业数据集，并开放应用程序接口（API）供开发者训练定制化农业模型。由政府主导，相关科研人员、企业和个人共同参与，构建开放的智慧农业云服务设施，提供算力和数据、算法、模型及应用功能组件等共享服务，利用良好的共享服务，服务商可大幅降低软件投入成本，进而降低最终用户的技术应用成本，将成为智慧农业推广应用的重要模式。我国农村网络基础设施实现全覆盖，也为模式创新提供了良好信息化基础。
1.研发农业“人-机-物”融合的云计算架构
集成5G/6G、物联网、云计算、人工智能和地理信息技术，推进农业软件向平台化、网络化、移动化延伸，推动农业软件与装备和服务的深度融合，建立农业多场景应用的智慧农业云服务架构与新范式，通过大规模协作，打造具有多尺度、多模态海量数据汇聚、农业场景特征诊断识别、智能决策与执行控制等相关模型、算法和知识的自进化学习能力的开放云平台，提供数据、模型、知识和服务资源开放共享服务，并能实现农业人-机-物融合、人机混合模型与知识推荐、软件服务自主匹配与自适应定制等（赵春江，2023），通过“算力+数据+模型+知识+案例+服务”协作、共享，实现农业软件产业价值链重构，推动智慧农业技术发展与深化应用。
2.构建农业标准数据集
现有深度学习模型主要是数据驱动，训练需要大规模数据样本，特别是使用矢量空间数据更具挑战性。农业场景多而复杂，无法收集大规模、全覆盖的数据集。尽管大模型技术能在一定程度上减少农业模型迁移能力对数据的依赖，但其迁移效果受数据质量的影响较大。实现农业多模态大模型训练亟需解决海量样本缺失的问题。目前农业领域的数据集分散，语义、结构、尺度、精度等参差不齐，更有与农业有关数据缺少专门针对农业领域设计，无法直接应用于农业领域，这些都限制了大模型的广泛应用。通过开放共享平台，建立一个高质量、全面、广泛且开放共享的代表性标准数据集，可以确保数据准确性和一致性，为构建高质量农业应用大模型提供保障。
3.建立农业专用模型和知识图谱
发展农业专用模型是智慧农业的基础，包括农业场景特征多源感知数据融合处理、特征识别、状态诊断、决策模拟等智能算法和模型。农业领域涉及行业广、品种多，气候、土壤等环境条件区域异质性强，通用大模型难以适应所有场景。单一机构和人员难以构建完善的农业应用模型，需要利用开放共享平台，全力构建适应区域和行业等特点的专用模型，确保决策模型能够适应不同的农业环境和条件，以便为用户提供更加个性化、全面而便捷的综合服务，并通过加强用户反馈信息和丰富数据集，进一步优化模型，提高模型的泛化能力。农业决策涉及大量的先验知识，将农业知识和案例与机器学习、GeoAI进行适应性融合，确保分析的严谨性和精确性。大规模知识图谱和案例库构建也需要开放共享平台实现，而实现知识引导的智能是智慧农业发展面临的挑战之一。
4.构建农业场景全息数字孪生模型
利用三维GIS、建筑信息模型（BIM）和虚拟现实等技术，分别针对大田种植、设施农业、畜禽养殖、水产养殖等不同行业，区域、园区、农场等不同尺度，构建涵盖地上地下、室内外基础要素及管理相关的“人－事－物”全息要素，并融合物联网、视频、高分遥感、雷达、BIM等多模态数据的农业场景多尺度时空数字化模型，且模型具备“人－事－物”要素间、尺度间、时态间及不同模态数据间完整的逻辑关系，真正实现对真实农业场景物理世界进行全息数据映射，为农业场景的真三维可视化、动态模拟、决策分析提供基础。
5.研发基于AI的自主服务技术
大模型具有对自然语言及图像等的理解、推理和编码能力，为研发智慧农业系统的自主服务技术提供了可能。未来智慧农业系统具备数据驱动自主解决问题的能力，即通过理解文本（比如任务描述文本）、语音、图像（如带有地理坐标的作物病虫害图像）、视频等多模态数据，自动生成解决农业问题的策略和步骤，并自主搜索在线多模态数据目录检索所需的时空数据，或从传感器收集多模态感知数据，然后使用现有的空间和非空间算法、模型或组件工具（必要时，可以自动生成）来处理分析数据，生成最终结果（如处方图），并能控制执行设备实施作业。实现在无须人工干预的情况下做出决策并执行任务，将彻底改变智慧农业软件领域，使没有信息技术相关背景的人也能轻松地使用软件。亟须研究解决以多模态数据驱动的农业知识智能抽取、大数据自适应分析模型、跨媒体农业知识关联理解与服务交互、自动编码等方面问题。
（二）研发“天空地网”一体化农业场景感知技术
1.“天空地”协同感知技术
未来要以星座（如“星链”式农业遥感卫星）组网为基础，协同无人机遥感和物联网传感器，构建以“星基”为中枢的融合光学、合成孔径雷达（SAR）、热红外等多模态感知技术的农业场景“星-空-地”协同高“时-空-谱”分辨率感知体系。通过“星基广域覆盖－空基局部建模－地基点线校准”的三级协同，以增强复杂农业场景响应和感知能力，同时降低感知成本。三级协同所要解决的关键问题是多模态、多尺度数据融合分析问题，需要结合农业知识图谱和案例，GeoAI技术和多模态人工智能大模型赋能，实现“数据－知识－模型”深度融合分析，增强所构建模型的可靠性及在时空及尺度等多维度的迁移泛化能力，同时解决模型结果的可解释性，提升对农业场景感知精确度和时效性。因此，多传感器时空同步采集，全方位获取土壤、环境、气象、农情、动植物生长状况和农业知识等多源数据，通过多模态数据融合处理及实时在线解析，是智慧农业科技创新的未来研究重点。
2.基于网络的农业场景特征感知
社交媒体数据具有实时性、多样性、广泛性等特点，自然语言处理（NLP）技术（特别是多模态大模型）为从Facebook、推特etiut、微博等社交媒体数据中挖掘农业主题和提取位置信息提供可能，成为农业场景特征感知的一个关键信息源。由大众参与获取地理数据的另一种方式是志愿者地理信息（VGI），可以直接提供带有地理位置的信息，现势性更高，细节也更为丰富。社交媒体数据和VGI可作为遥感、近地传感器等物理传感器的重要补充，为农业场景特征感知提供一种新的手段。如何从海量的媒体数据和VGI数据中提取与农业应用场景匹配、质量可靠数据，并与传统感知数据及其他空间数据等进行有机融合，实现优势互补，提高农业场景特征感知效率和精度，仍需深入研究。
（三）研发基于地理控制的自主导航控制技术
智能机器时代进一步推动了GIS步入“地理控制”（GeoControl）阶段，实现在地理信息支持下，根据地理环境的动态特征对主体或客体施加影响，调节和控制主体或客体的运动与状态变化的过程（钟耳顺，2013），智慧农业属于典型的地理控制应用范畴。
1.无人农机位置状态精准感知技术
随着劳动力资源紧缺、农业生产成本逐年提高等问题的不断加剧，以无人农场为具体形式的智慧农业模式在世界范围内受到广泛认可。位置精准感知是地理控制的基础。无人农机作业中，农机装备不仅需要感知绝对的空间位置，更要感知作物行、垄和作业区域边界以及障碍物等等相对位置信息，并根据相应位置土壤、环境和作物等作业场景特征及农机状态融合分析的决策结果，对作业农机的作业方案（如变量施肥等）或农机状态（如避障、调头等）实施控制或调节。需要研发LiDAR、视觉传感器、惯性测量、毫米波雷达、红外和超声波等多传感器集成感知设备与数据融合技术，解决非结构化农业环境中单纯全球导航卫星系统（GNSS）感知无法满足自主导航需要的问题。
2.多机协同作业自主导航控制技术
多机协同作业能有效提升作业效率和质量，是未来智慧农业的主要趋势，包括同类作业协同、异类作业协同（尹彦鑫等，2022）。多机协同将受到场景动态变化、地形环境复杂、气候阴晴多变、通信约束受限等多重因素叠加影响，随着时间的推移，作业农机定位误差会越来越大，造成农机间定位、作业等同步性降低，严重影响了导航精度和路径规划准确性，需要及时感知农机之间位置状态，实施定位同步，并同步自主规划调整路径等。集中式机群协同可能存在滞后性，单个农机故障或通信中断也影响协同；分布式机群中各农机依据自身所感知的局部环境自主完成定位、导航和作业，将会影响机群全局协同性。多机协同组网、任务协同规划、协同动态调整决策（定位、动态路径规划、调度）、协同交互等方面的地理分析与决策模型，以及集成智能化与边缘计算的AI终端控制芯片等是多机协同亟需解决的关键技术问题。
智慧农业已成为农业4.0时代各国现代农业科技竞争的制高点、未来农业发展的新业态。作为核心支撑的地理信息技术在农业管理、生产管理、自主导航与制图及作物育种等领域发挥了重要作用，但在智慧农业场景感知和软件智能化服务方面仍面临挑战。当前智慧农业技术使用门槛和应用成本均比较高，信息技术“溢出”效应不明显，限制了智慧农业技术推广应用。由政府主导，社会共同参与，构建开放的智慧农业云服务设施，提供算力和数据、算法、模型及应用功能组件等共享服务，基于利用良好的云服务，可大幅降低软件投入成本，进而降低最终用户的技术应用成本，将成为智慧农业推广应用的重要模式。未来需要集成5G/6G、物联网、云计算、人工智能和地理信息技术等新技术，研发农业“人-机-物”融合的云服务架构、大模型训练标准数据集、农业场景全息数字孪生模型等关键技术，突破农业应用大模型、基于人工智能的自主服务、“天空地网”一体化协同的农业场景特征精准识别、多机协同自主导航控制等关键技术，建立智慧农业云服务开放平台，使智慧农业用得上、用得起、用得好。
参考文献
马晨,李瑾,张骞,等.农业软件产业发展的现实格局与路径选择[J].中国工程科学,2021,23(04):19-29.
尹彦鑫，孟志军，赵春江，等.大田无人农场关键技术研究现状与展望。智慧农业（中英文），2022,4(4):1-23.
赵春江。智慧农业发展现状及战略目标研究.智慧农业（中英文），2019,1(1):1-7.
赵春江.农业知识智能服务技术综述. 智慧农业（中英文），2023, 5(2): 126-148.
钟耳顺，地理控制与实况地理学——关于GIS发展的思考.地球信息科学学报，2013,15(6): 783-792.
本文节选自《地理信息产业蓝皮书·中国地理信息产业发展报告（2025）》
↓↓ 了解更多产业要闻↓↓
请将我设为星标★
>>协会通知
>>近期要闻
>>协会通知
>>近期要闻
>>协会通知
>>协会通知
>>协会通知
>>近期要闻
>>近期要闻
>>近期要闻
>>近期要闻
“企业家风采”“民企之光”“创新之声”“精品成果秀”“会员喜讯”“新品发布汇”“产学研合作”“国际市场”“专精特新”“科普”等主题宣传（专栏）长期征稿，欢迎投稿！
联系人：李娟 13370105015（微信）
邮箱：xc@cagis.org.cn
欢迎留言评论转发分享
